1、积累未开发的传统数据。即便是非结构化的数据库，也是宝藏，比较传统的非结构化数据主要包括邮件、笔记等文本内容，它们蕴含着客户行为、市场竞争的潜在讯息。

　　2、积累新型的非结构化数据。这类数据主要包括音频、静态图像、视频文件等。随着计算机视觉、先进模式识别、视频和声音分析的发展，这些数据将有助于企业理解顾客、员工和市场运营。

　　3、挖掘深层网络数据。这里尚未开发的信息数据，可能来源于学者、协会、政府机构、社区和其他第三方域名，可能难以搜索，也可能涉及侵权。

　　三年后，这些非结构化数据将为企业提供决策和行业洞见。

　　这就涉及以下6个举措：

　　1、问对的问题。也就是识别潜在的黑暗分析来源和包含的未开发的机会，把你要分析的工作和数据流，特别是根据数据来源，对应起来。

　　2、开拓视野。不要局限在自己想到的，多了解其他数据，帮助分析团队产生更多的想法。比如医生诊疗时注意哮喘病人的病例之外，还可以看看当地花粉季。

　　3、增加数据人才。数据科学家将是宝贵资源，谁能更巧妙地结合深建模和统计技术与行业，运用机器学习和深度学习，谁就有可能提供更为建设性的见解和合理可靠的决策。

　　4、升级可视化工具。数据可视化可以解释复杂的“什么”和“为什么”，从而获取管理层同事的认同。

　　5、视之为业务驱动力。数据分析不仅仅是简单的书面工作，更应该被视为市场洞见、业务运营决策支持，帮助管理者更深思熟虑地处理资产，决定日程和业务目标等。

　　6、看远一点。把数据分析开发成一个新的能力和策略，利用它开拓业务，发展客户，联系供应商和合作伙伴，为自己和一些合作方提供参考体系。

　　机器智能：高效+自动+专业

　　*2014-2016年机器智能方面的收购和投资

　　机器智能在很久之前就成为重要的技术趋势话题。它是重要的海量复杂的数据分析工具，可以提高员工绩效、开发新的产品和服务、将越来越复杂的工作进行自动化，发展“认知代理”，甚至模拟人类思维。

　　早期的机器智能项目主要出现在医疗研究（分析100亿张遗传和基因图像）、金融服务领域（处理27000个会话和几十种语言）。德勤预计，2019年之前，atv，针对机器智能的投资将近313亿美元。接下来的几个月，机器智能将出现在更多领域。

　　机器智能的主要背景是爆炸式增长的数据、更快的分布式系统和更为智能的算法（机器/深度学习、概率推演、语义计算、自然语言引擎、机器人过程自动化等）。

　　财富500强公司和风险投资公司已经意识到了机器智能的潜力和战略投资建立新的能力。在德勤 2016 年全球 CIO 调查中，1200 名IT 高管被要求说出他们计划在未来两年投入大量资金的新技术：其中有 64% 的人列举了认知技术或 MI。

　　机器学习创造的价值主要体现在以下3个方面：

　　1、认知洞见。机器学习将通过数据和模型来预见将会发生什么，帮助商业领导人应对职员、客户支持、订单安排、调查计费等。

　　2、认知参与。也就是将认知技术应用到与人的交往中去，面向消费者，执行数字化任务，比如调低空调温度、电视换频道。

　　3、认知自动化。这需要开发特定领域的专业知识库，然后制定自动化任务，比如医疗保健领域的放射学图谱辨认等。

　　AIG全球首席技术总监Mike Brady认为，企业向自动化转型需要以下三步：

　　1、稳定。因为改进涉及整体网络，根据经验，很可能每周都要停机一次，对企业客户的影响比较大。

　　2、优化。需要优化的内容包括自助服务配置、自动化和成本效率。

　　3、加速。节约研发和运营策略涉及的整体流程和部署时间。

　　这4点可能是机器学习突破应用瓶颈的关键：

　　1、助理数据：也就是自动化的数据分类、本体定义、合理化，来维护主数据。机器学习会根据每一块数据派生近似质量的数据，寻找方法弥补缺失背景和问题数据。

　　2、封闭的问题：提炼业务涉及的封闭的数据集，明确问题的目的，对机器学习提出针对这一封闭的问题的描述。在面对复杂问题的时候可以调用这些结论。

　　3、放开合作：不管是初创企业，还是供应商、学者、相关意见人士，都应该建立合作关系，分享新的技术。